Publications scientifiques

Cet article passe en revue la variabilité des évaluations en oncologie radiologique, en se concentrant particulièrement sur les critères RECIST 1.1, qui normalisent les évaluations afin d’améliorer la cohérence et la précision. Il explique comment la variabilité découle de facteurs tels que l’expertise du radiologue, la qualité de l’image et la sélection des lésions, et souligne l’importance des protocoles normalisés et de la formation pour atténuer ces problèmes. En s’attaquant aux causes profondes de la variabilité, l’article vise à améliorer la précision des évaluations de la réponse, ce qui se traduit en fin de compte par de meilleurs soins aux patients et de meilleurs résultats cliniques.

Hepatocellular carcinoma (HCC) constitutes a prominent global health challenge. According to the American Association for the Study of Liver Diseases (AASLD) guideline HCC can be diagnosed by imaging examination. However, it shows that contrast-enhanced CT has limited accuracy in the diagnosis of HCC, particularly, small-size HCC lesions (≤ 20 mm) are the most difficult to identify with CT demonstrating sensitivity = 64% [1]. An Artificial Intelligence (AI) algorithm that can analyze liver CT images and localize HCC lesions would be valuable for patients at risk of HCC. Recent studies have presented promising outcomes regarding the application of AI algorithms in HCC diagnosis; However, the efficacy in localizing small-sized HCC lesions in CT images remains uncertain, and there is a need for improvement in reducing the false-positive rate [2-4].

Le poster présente les performances d’un modèle d’intelligence artificielle de détection et caractérisation assistées par ordinateur (CADe/CADx) pour le dépistage du cancer du poumon, ainsi que différentes analyses de sous-populations. Des modèles d’IA 3D-CNN ont été utilisés sur un jeu de données test contenant 136 patients souffrant d’un cancer pulmonaire et 2027 patients n’ayant pas de cancer. La performance au niveau nodule montre une aire sous la courbe de 0,987 (AUC-ROC = 0.987), bien supérieure à celle du modèle de Brock appliqué aux données NLST (AUC-ROC = 0,971). Ce résultat reste inchangé quelles que soient les caractéristiques des nodules (taille, atténuation et marge), et montre que le modèle pourrait améliorer la pratique clinique des radiologues et optimiser la prise en charge des patients.